对于大学生来说，获得暑期实习或找到第一份全职工作是件大事。得到一份工作不难，得到一份心仪的工作却不简单。无数合格的学生都在争夺这些有限的职位，那如何脱颖而出，如何获得梦寐以求的职位呢?
受到这些问题的启发，泰勒·斯帕格诺洛(Tyler Spagnolo)、谢恩·赫普纳(Shane Hepner)和我创建了Aspire软件。Aspire是一种帮助大学生获得理想实习岗位和初级工作的工具。作为宾夕法尼亚州立大学（PSU）的学生，我们在寻找自己的实习机会时，意识到如果能发现成功学生找工作的路子，是很有价值的，可以用来帮助其他人解决工作问题。
我们参加了由PSU EdTech网络赞助的Nittany AI挑战赛。该竞赛要求参赛团队开发人工智能解决方案，以改善宾州州立大学的学生体验，解决大学面临的现实问题，或产生创新的创业想法。2018年3月，我们展示了Aspire的第二轮评审原型，并获得了用于创建 “最低可行产品”(MVP)的资金。目前我们还在研究该产品，将于9月提交。
下面给大家介绍一下Aspire，以及我们是如何使用IBM Watson来开发它的。
在前端，Aspire允许用户搜索特定的公司和职位。它给出了其他人获得这份工作的途径，以及汇总的统计数据，比如最被公司认可的专业和技能是什么。同时，学生们可以利用筛选器(如年份或专业)，来查看最适合自己的职业道路。
为了完善Aspire，我们需要了解PSU学生获得工作的经历，包括他们参加俱乐部的经历、以前的实习经历，以及他们拥有的实用技能。这些信息大部分都储存在个人简历中。然而，PDF格式的数据是非结构化的。
此时就需要沃森了。为了从简历中提取有价值的数据，我们使用沃森知识工作室创建了一个机器学习模型。
首先，我们构建了一个类型系统，其实体类型包括教育、组织、位置、数据传输和技能。此外还创建了关系Held_At(它将一个位置与其对应的组织关联起来)和关系Held_For(它将一个位置与适当的数据传输关联起来)。
在运行了一个Python脚本，将PDF简历转换为文本文件后，我们对文本简历的样本语料库进行了注释，标记了实体类型的实例以及它们之间的关系。对于最初的原型，我们使用一组25份简历来训练机器学习模型。尽管使用的训练文档非常少，但在实体和关系方面的F1得分（精度和召回的调和平均值）分别为0.75和0.58。
接下来，我们在沃森自然语言理解中部署了机器学习模型，它能让我们从大量简历中提取有价值的数据。然后我们将原型开发成产品，这样用户就可以查询沃森生成的结构化数据了。
Aspire并不能提供全面的求职方法——因为找工作还涉及许多因素，比如人际关系和软技能——但我们希望创建一种工具，帮助学生根据数据做出职业选择。每年有成千上万的学生进出PSU，我们想利用这些数据帮助学生实现他们的目标。
沃森知识工作室和自然语言理解在构建Aspire中发挥了重要作用。我们的团队由一年级和二年级的本科生组成，在Nittany AI挑战赛之前，大家在人工智能和机器学习方面几乎没有什么经验，但是沃森知识工作室让我们简化了过程。轻松地注释文档、训练模型并将其部署到沃森自然语言理解中，使我们将自己的想法变为现实。
原文链接：
https://developer.ibm.com/code/2018/08/13/how-watson-can-help-penn-state-students-find-their-dream-job/
来源：IBM
作者：Isabelle Biase
智能观 编译
—完—
亲爱的朋友：
你或许会想，没有AI和ML经验，也能开发AI应用？
上周，李开复在其关于人工智能的新书发布会上讲到，在他们组织的AI夏令营里，三个没有相关经验的学生，利用手中的数据、资源加创意，在一周时间内，研发出了无人驾驶汽车。虽然只是玩具车，但足以说明问题。
希望本文对你有所启思。
祝安！
智能观 灵米
2018-9-6 于北京中关村
声明：
编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。
作者：智能观
链接：https://www.jianshu.com/p/a7844eed48a6
随时随地看视频
